14 событий, которые создали современный искусственный интеллект

От первого «искусственного нейрона» до ChatGPT — 80 лет открытий, идей и экспериментов, которые научили машины распознавать изображения, понимать язык, создавать новое и решать задачи, которые раньше считались исключительно человеческими.

1. 1943

ПЕРВЫЙ ИСКУССТВЕННЫЙ НЕЙРОН

Уоррен Маккаллок и Уолтер Питтс

Учёные придумали математическую модель, которая очень упрощённо повторяла работу нейрона человеческого мозга.

Она получала несколько сигналов, обрабатывала их и принимала простое решение: «да» или «нет».

Из соединения таких элементов позже выросла сама идея искусственных нейронных сетей.

Почему это важно:
Впервые работу мозга попытались описать как вычислительную систему.

Коротко:
Математический предок современных нейросетей.

2. 1950

АЛАН ТЬЮРИНГ: МОЖЕТ ЛИ МАШИНА МЫСЛИТЬ?

Алан Тьюринг

Тьюринг предложил знаменитый мысленный эксперимент: если человек общается через текст и не может понять, кто ему отвечает — другой человек или компьютер, можно ли считать машину разумной?

Позже эту идею назвали тестом Тьюринга.

Почему это важно:
Вопрос об искусственном интеллекте превратился из фантастики в научную задачу.

Коротко:
Впервые появился понятный способ обсуждать машинный интеллект.

3. 1956

ПОЯВИЛОСЬ САМО ПОНЯТИЕ «ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ»

Джон Маккарти и Дартмутская конференция

Летом 1956 года группа учёных собралась в Дартмутском колледже в США.

Организатор встречи Джон Маккарти использовал название Artificial Intelligence — искусственный интеллект.

Исследователи предположили, что обучение, мышление и другие свойства человеческого интеллекта можно описать настолько точно, чтобы их могла воспроизвести машина.

Почему это важно:
С этого момента искусственный интеллект становится отдельным научным направлением.

Коротко:
1956 год принято считать годом рождения AI.

4. 1957–1958

ПЕРЦЕПТРОН: КОМПЬЮТЕР НАЧИНАЕТ УЧИТЬСЯ

Фрэнк Розенблатт

Розенблатт создал перцептрон — систему, которая могла изменять своё поведение в зависимости от полученных примеров.

Вместо того чтобы заранее прописывать машине каждое правило, ей можно было показать данные и позволить самой настроиться под задачу.

Почему это важно:
Возник один из главных принципов современного ИИ: машина может учиться на данных.

Коротко:
Не программировать все ответы — а научить машину находить их самой.

5. 1968–1971

АЛЕКСЕЙ ИВАХНЕНКО: МАШИНА САМА СТРОИТ МНОГОСЛОЙНУЮ МОДЕЛЬ

Алексей Ивахненко и советская школа кибернетики

Советский учёный Алексей Ивахненко развивал метод группового учёта аргументов — GMDH.

Система перебирала разные модели, сравнивала их качество, отбрасывала слабые варианты и постепенно строила всё более сложную многослойную структуру.

По сути, компьютер самостоятельно искал подходящую модель для решения задачи.

Почему это важно:
Это один из ранних примеров автоматического построения многослойных обучаемых систем — идеи, очень близкой к тому, как спустя десятилетия будут развиваться глубокие нейросети.

Коротко:
Один из ранних предшественников глубокого машинного обучения.

Важно для подписи:
Алексей Ивахненко — советский учёный, работавший в Институте кибернетики в Киеве.

6. 1986

НЕЙРОСЕТИ НАУЧИЛИСЬ ИСПРАВЛЯТЬ СВОИ ОШИБКИ

Дэвид Румельхарт, Джеффри Хинтон и Рональд Уильямс

Исследователи показали эффективный способ обучения многослойных нейронных сетей — обратное распространение ошибки, backpropagation.

Сеть получает ответ, сравнивает его с правильным и постепенно меняет внутренние связи так, чтобы в следующий раз ошибиться меньше.

Почему это важно:
Этот принцип стал одним из главных механизмов обучения нейросетей.

Коротко:
Ошибка превращается в инструкцию, как стать умнее.

7. 1997

КОМПЬЮТЕР ПОБЕЖДАЕТ ЧЕМПИОНА МИРА ПО ШАХМАТАМ

IBM Deep Blue против Гарри Каспарова

Компьютер IBM Deep Blue победил действующего чемпиона мира Гарри Каспарова в шахматном матче.

Машина могла анализировать до 200 миллионов шахматных позиций в секунду.

Это ещё не был современный обучающийся ИИ, но событие стало символом возможностей вычислительных систем.

Почему это важно:
Машина впервые победила сильнейшего человека в одной из самых известных интеллектуальных игр.

Коротко:
Компьютер показал, что в сложной интеллектуальной задаче может превзойти человека.

8. 2012

ALEXNET ЗАПУСКАЕТ РЕВОЛЮЦИЮ DEEP LEARNING

Алекс Крижевский, Илья Суцкевер и Джеффри Хинтон

Нейросеть AlexNet показала выдающийся результат в международном соревновании по распознаванию изображений ImageNet.

Она обучалась на огромном количестве картинок и использовала графические процессоры — GPU.

Результат оказался значительно лучше большинства прежних методов.

Почему это важно:
После AlexNet крупнейшие технологические компании начинают массово инвестировать в глубокие нейронные сети.

Коротко:
2012 год стал началом современного бума deep learning.

9. 2014

ИИ НАУЧИЛСЯ СОЗДАВАТЬ НОВЫЕ ИЗОБРАЖЕНИЯ

Ян Гудфеллоу и GAN

Появились генеративно-состязательные сети — GAN.

Идея состояла в соревновании двух нейросетей.

Одна создаёт изображение.
Другая пытается определить, настоящее оно или искусственное.

Постепенно первая сеть учится создавать всё более реалистичный результат.

Почему это важно:
ИИ начинает не только узнавать существующие объекты, но и создавать новое.

Коротко:
Один из главных шагов к эпохе генеративного ИИ.

10. 2016

ALPHAGO ПОБЕЖДАЕТ ОДНОГО ИЗ ЛУЧШИХ ИГРОКОВ МИРА В ГО

Google DeepMind

AlphaGo победила Ли Седоля со счётом 4:1.

Го значительно сложнее шахмат с точки зрения количества возможных вариантов игры.

AlphaGo использовала нейронные сети, поиск и обучение методом проб и ошибок, играя в том числе против самой себя.

Почему это важно:
Машина смогла находить неожиданные стратегии, которым её напрямую никто не учил.

Коротко:
ИИ показал способность самостоятельно находить новые способы решения сложных задач.

11. 2017

TRANSFORMER МЕНЯЕТ АРХИТЕКТУРУ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Google — Attention Is All You Need

Исследователи Google предложили архитектуру Transformer.

Если сильно упростить, она позволяет модели смотреть сразу на разные части текста и понимать, какие слова и фрагменты связаны между собой.

Это сделало обучение больших языковых моделей значительно эффективнее.

Почему это важно:
На Transformer построена большая часть современных языковых моделей — семейства GPT, Gemini, Claude, Llama и многие другие.

Коротко:
Архитектура, на которой вырос современный генеративный ИИ.

12. 2020

ALPHAFOLD: ИИ РЕШАЕТ ЗАДАЧУ, НАД КОТОРОЙ БИОЛОГИ РАБОТАЛИ ДЕСЯТИЛЕТИЯМИ

Google DeepMind

Чтобы понять работу белка, учёным необходимо знать его трёхмерную форму.

Экспериментальное определение такой структуры может занимать много времени.

AlphaFold научилась очень точно предсказывать форму белка по последовательности его аминокислот.

В 2020 году система показала революционный результат на международном соревновании CASP14.

Почему это важно:
ИИ становится не просто инструментом автоматизации, а инструментом научных открытий.

Коротко:
Нейросеть помогла решить одну из крупнейших задач современной биологии.

13. 2022

CHATGPT ДЕЛАЕТ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ МАССОВЫМ

OpenAI

30 ноября 2022 года появился ChatGPT.

До этого мощные языковые модели уже существовали, но ими пользовались прежде всего исследователи и разработчики.

ChatGPT предложил простой интерфейс: человеку достаточно написать обычный вопрос или просьбу.

Модель могла продолжать разговор, учитывать предыдущие сообщения, писать тексты, объяснять сложные темы и помогать с программированием.

Почему это важно:
ИИ впервые становится повседневным инструментом для миллионов обычных людей.

Коротко:
Искусственный интеллект вышел из лабораторий к массовому пользователю.

14. 2023 →

ИИ НАЧИНАЕТ ВИДЕТЬ, СЛЫШАТЬ И ВЫПОЛНЯТЬ ЗАДАЧИ

Мультимодальные модели и AI-агенты

Следующий этап развития ИИ — модели перестают работать только с текстом.

Они начинают одновременно понимать:

текст → изображения → речь → видео → программный код.

Например, GPT-4 уже получил возможность анализировать не только текст, но и изображения.

Следующий шаг — AI-агенты: системы, которые не просто отвечают на вопрос, а могут выполнить цепочку действий — найти информацию, открыть программу, написать код, проверить результат и продолжить работу.

Почему это важно:
ИИ постепенно превращается из «умного собеседника» в универсального цифрового помощника и исполнителя.

Коротко:
От ответа на вопрос — к самостоятельному выполнению задачи.